PAGE-XML是OCR后结构化XML的最优选，因其兼容性最好、工具链最全，支持多栏表格图文混排及印刷级定位；ALTO适用于欧洲数字图书馆，TEI适合语义标注但OCR直出弱。
OCR识别后XML结构怎么选：tei、alto还是page
扫描PDF本身不含文字层，必须先用OCR提取文本和版面信息，再映射为结构化XML。主流选择有三种：TEI（人文文献通用）、ALTO（图书馆元数据强，含精确坐标）、PAGE-XML（DARPA/ICDAR推荐，支持多栏、表格、图文混排）。如果你要保留行高、字间距、基线位置等印刷级定位信息，PAGE-XML 是目前兼容性最好、工具链最全的格式；ALTO 在欧洲数字图书馆项目中更常见；TEI 适合后期做语义标注，但OCR直出支持弱。
用Tesseract + pagexml输出PAGE-XML的实操要点
Tesseract 4.1+ 原生支持 --psm 模式识别和 --oem 引擎切换，但默认不生成 PAGE-XML。需配合 tesseract 的 hocr 中间格式再转换，或直接用封装工具：
- 推荐用
ocrmypdf（Python库），它底层调用 Tesseract 并自动输出符合规范的PAGE-XML：ocrmypdf --output-type pdfa --sidecar output.page.xml input.pdf output.pdf
- 若只要XML不重制PDF，加
--skip-text参数跳过文字层嵌入，避免PDF体积暴增 -
hocr转PAGE-XML容易丢表格线框和图文关系，别用hocr2pdf类工具直转 - 中文识别务必指定语言包：
tesseract input.png stdout -l chi_sim+eng --psm 6，--psm 6对单栏印刷体最稳，--psm 1（自动检测）在复杂版面下常错分段落
扫描质量差时XML坐标错位的常见原因
PAGE-XML 里每个 TextLine 和 Word 都带 coords 属性，但坐标偏移往往不是OCR引擎问题，而是输入图像预处理不到位：
- 扫描图未去黑边/摩尔纹 → OCR定位框整体偏移，建议用
unpaper预处理：unpaper --no-border --no-blank --no-grayfilter input.pdf output.pdf
- DPI低于300 → 字符粘连，Tesseract 把两个字识别成一个，
Word坐标覆盖过宽；必须重扫或用ImageMagick放大并锐化：magick input.png -resample 300 -sharpen 0x1 output.png
- 倾斜超过±0.5° → 行坐标变成斜向矩形，PAGE-XML 解析器可能报
Invalid coordinates: y0 > y1；用pdf2image提取图像后先跑skew_correction再送OCR
XML验证与后续处理避坑提示
生成的 .page.xml 文件未必符合官方XSD（如 http://www.primaresearch.org/schema/PAGE/gts/pagecontent/2019-07-15/pagecontent.xsd），尤其当使用非标准OCR后端时：
- 用
xmlschemaPython库校验：python -m xmlschema validate --schema http://www.primaresearch.org/schema/PAGE/gts/pagecontent/2019-07-15/pagecontent.xsd output.page.xml
- 某些工具（如
calamari）要求Page元素必须含imageFilename属性，而ocrmypdf默认不写——需手动补或用sed注入 - 如果目标是喂给NLP pipeline，别直接解析XML里的
TextEquiv；有些OCR会把“１”（全角数字）误标为“1”，但坐标仍按原字符宽度算，导致下游对齐失败
真正麻烦的不是生成XML，而是让坐标、文字、样式三者严格对齐。哪怕只差1像素，下游做区域抽取或重建PDF时就可能漏字或叠字。
